CN113836430A - 书籍推荐方法、终端及存储介质 - Google Patents
书籍推荐方法、终端及存储介质 Download PDFInfo
- Publication number
- CN113836430A CN113836430A CN202111194482.5A CN202111194482A CN113836430A CN 113836430 A CN113836430 A CN 113836430A CN 202111194482 A CN202111194482 A CN 202111194482A CN 113836430 A CN113836430 A CN 113836430A
- Authority
- CN
- China
- Prior art keywords
- book
- recommended
- books
- target
- determining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种书籍推荐方法、终端及存储介质。其中,书籍推荐方法包括:获取目标书籍和多个待推荐书籍,目标书籍的数量为多个;确定目标书籍和待推荐书籍分别对应的用户集合以及各用户集合包括的多个用户对应的阅读强度信息;基于用户集合以及阅读强度信息,分别确定目标书籍与多个待推荐书籍之间的多个目标相似度;基于多个目标相似度所确定的各待推荐书籍的推荐分值确定推荐书籍,并对推荐书籍进行推荐。本发明由于目标书籍的数量为多个并且基于相似度计算统一的推荐分值确定推荐书籍,相较于相关技术中以单个书籍为基础,能够筛选出其更加感兴趣的书籍进行推荐,提升了书籍推荐的准确性,进而提升了用户的阅读粘性和兴趣度。
Description
技术领域
本公开涉及互联网技术领域,尤其涉及一种书籍推荐方法、终端及存储介质。
背景技术
随着互联网技术的快速发展,电子版的书籍得到越来越多地使用和关注,用户可以根据推荐的书籍来选择感兴趣的书籍进行阅读。
目前,推荐的书籍可以以单个书籍为基础,通过计算不同书籍之间的相似度来确定,但是上述书籍推荐的方式的准确率较低,不能满足需求。
发明内容
为了解决书籍推荐准确性较低的技术问题,本公开提供了一种书籍推荐方法、终端及存储介质,以提升书籍推荐的准确性。
第一方面,本公开实施例提供了一种书籍推荐方法,包括:
获取目标书籍和多个待推荐书籍,所述目标书籍的数量为多个;
确定所述目标书籍和所述待推荐书籍分别对应的用户集合以及各所述用户集合包括的多个用户对应的阅读强度信息;
基于所述用户集合以及所述阅读强度信息,分别确定所述目标书籍与所述多个待推荐书籍之间的多个目标相似度;
基于所述多个目标相似度所确定的各所述待推荐书籍的推荐分值确定推荐书籍,并对所述推荐书籍进行推荐。
第二方面,本公开实施例提供了一种终端,包括:
处理器;
存储器,用于存储可执行指令;
其中,处理器用于从存储器中读取可执行指令,并执行可执行指令以执行以下操作:
获取目标书籍和多个待推荐书籍,所述目标书籍的数量为多个;
确定所述目标书籍和所述待推荐书籍分别对应的用户集合以及各所述用户集合包括的多个用户对应的阅读强度信息;
基于所述用户集合以及所述阅读强度信息,分别确定所述目标书籍与所述多个待推荐书籍之间的多个目标相似度;
基于所述多个目标相似度所确定的各所述待推荐书籍的推荐分值确定推荐书籍,并对所述推荐书籍进行推荐。
第三方面,本公开实施例提供了一种计算机可读存储介质,该存储介质存储有计算机程序,当计算机程序被处理器执行时,使得处理器实现第一方面的书籍推荐方法。
上述技术方案中的一个技术方案具有如下优点或有益效果:
依据本公开实施例的书籍推荐方法、终端及存储介质,能够获取目标书籍和多个待推荐书籍,确定目标书籍和待推荐书籍分别对应的用户集合以及各用户集合包括的多个用户对应的阅读强度信息,之后基于用户集合以及阅读强度信息,分别确定目标书籍与多个待推荐书籍之间的多个目标相似度,并基于多个目标相似度所确定的各待推荐书籍的推荐分值确定推荐书籍,并对推荐书籍进行推荐。本公开实施例通过阅读强度信息可以确定目标书籍与其他书籍之间的相似度,进而可以根据相似度所确定的推荐分值进行书籍的推荐,由于目标书籍的数量为多个并且基于相似度计算统一的推荐分值确定推荐书籍,相较于相关技术中以单个书籍为基础,能够筛选出其更加感兴趣的书籍进行推荐,提升了书籍推荐的准确性,进而提升了用户的阅读粘性和兴趣度。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1为本公开实施例提供的一种书籍推荐方法的流程示意图;
图2为本公开实施例提供的另一种书籍推荐方法的流程示意图;
图3为本公开实施例提供的又一种书籍推荐方法的流程示意图;
图4为本公开实施例提供的一种书籍推荐的示意图;
图5为本公开实施例提供的一种终端的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
为了解决相关技术中以单个书籍为基础通过计算不同书籍之间的相似度来进行书籍推荐的准确率较低的问题,本公开实施例提供了一种书籍推荐方法,下面结合具体的实施例对该方法进行介绍。
图1为本公开实施例提供的一种书籍推荐方法的流程示意图,该方法可以由书籍推荐装置执行,其中该装置可以采用软件和/或硬件实现,一般可集成在终端或服务器中。如图1所示,该方法包括:
步骤101、获取目标书籍和多个待推荐书籍。
其中,目标书籍可以是与当前用户相关的书籍,也是确定推荐书籍的基础,本公开实施例中,目标书籍的数量为多个,目标书籍可以包括历史阅读的多个历史书籍。待推荐书籍可以是与目标书籍存在关联的一些书籍,本公开实施例中待推荐书籍可以与目标书籍的至少一个属性信息相同,属性信息可以包括书籍类型、撰写时间和作者等信息,也即待推荐书籍可以为与目标书籍的某个属性信息相同的一些书籍。不同目标书籍对应的多个待推荐书籍可以不同,也可以部分相同部分不同,也可以相同。
在本公开实施例中,书籍推荐装置可以获取与当前用户相关的多个目标书籍和多个待推荐书籍。
步骤102、确定目标书籍和待推荐书籍分别对应的用户集合以及各用户集合包括的多个用户对应的阅读强度信息。
其中,一个书籍对应的用户集合可以是阅读过该书籍的多个用户组成的集合。阅读强度信息可以是表征用户阅读书籍的深度和感兴趣程度的信息,阅读强度信息可以包括一种或多种信息,例如阅读信息可以包括阅读时长、交互数据和付费情况等,具体可以根据实际情况确定。
在本公开实施例中,确定目标书籍和待推荐书籍分别对应的用户集合以及各用户集合包括的多个用户对应的阅读强度信息,可以包括:根据预先获取的目标关系数据,确定目标书籍对应的第一用户集合以及第一用户集合包括的多个用户对应的阅读强度信息,并确定各待推荐书籍对应的第二用户集合以及第二用户集合包括的多个用户对应的阅读强度信息。
其中,目标关系数据可以从数据库中获取,该目标关系数据可以包括用户与书籍之间的对应关系以及每个用户针对各书籍的阅读强度信息等信息。书籍推荐装置可以从数据库中获取目标关系数据,并根据该目标关系数据查找每个目标书籍对应的多个用户以及每个用户对应的阅读强度信息,得到第一用户集合,并根据该目标关系数据查找每个待推荐书籍对应的多个用户以及每个用户对应的阅读强度信息,得到第二用户集合,第一用户集合的数量与目标书籍的数量相同,第二用户集合的数量与待推荐书籍的数量相同,第一用户集合和第二用户集合的数量均可以为多个。
步骤103、基于用户集合以及阅读强度信息,分别确定目标书籍与多个待推荐书籍之间的多个目标相似度。
其中,目标相似度可以包括单向相似度,单向相似度可以表征以目标书籍为基准方向计算的相似度。该单向相似度可以是具有基准方向的相似度,也即在计算相似度时具有倾向性和侧重性,本公开实施例中的单向相似度以目标书籍为基准方向,也即针对阅读过目标书籍的用户筛选其感兴趣的书籍。
在本公开的一种可选的实施方式中,基于用户集合以及阅读强度信息,分别确定目标书籍与多个待推荐书籍之间的多个目标相似度,可以包括:在第一用户集合中根据第一选取条件确定第一用户子集,并在第二用户集合中根据第二选取条件确定第二用户子集;确定第一用户子集和第二用户子集之间的交集,得到第三用户集合;根据第三用户集合、第三用户集合中两两用户共同阅读的书籍数量以及预设相似度公式,确定目标书籍与多个待推荐书籍之间的多个单向相似度。
其中,第一选取条件和第二选取条件可以是两个选取范围或选取严格程度不同的两个选取条件,并且差异较大。由于本方案针对阅读过目标书籍的用户筛选其感兴趣的书籍,因此针对目标书籍的第一选取条件的严格程度低,而针对待推荐书籍的第二选取条件的严格程度高,也即第二选取条件的选取严格程度远大于第一选取条件。
第一选取条件可以用于选取对目标书籍的阅读强度信息大于或等于第一阈值的用户,第二选取条件可以用于选取对各待推荐书籍的阅读强度信息大于或等于第二阈值的用户,第二阈值远大于第一阈值。上述第一阈值和第二阈值可以是分别表征第一选取条件和第二选取条件选取严格程度的值,第一阈值较低,能够满足尽量覆盖到大部分看过目标书籍的用户,第二阈值较高,能够满足尽量选取到大部分感兴趣的用户。
第一阈值和第二阈值可以根据实际情况设置和调整,例如阅读强度信息为阅读时长时,第一阈值可以为0.1小时,第二阈值可以为10小时。第一阈值调高时,第一用户子集中用户数量变少,流量集中,质量变高,第二阈值调低时,第二用户子集中用户数量增加,流量不集中,质量变低,如果想要推荐用户更感兴趣的书籍,则调高第二阈值,如果想要给用户推荐更多的书籍,则调低第二阈值。
具体的,书籍推荐装置可以根据第一选取条件将第一用户集合中各用户的阅读强度信息与第一阈值进行比较,选取其中阅读强度信息大于或等于第一阈值的用户,得到第一用户子集;并且可以根据第二选取条件将第二用户集合中各用户的阅读强度信息与第二阈值进行比较,选取其中阅读强度信息大于或等于第二阈值的用户,得到第二用户子集。之后书籍推荐装置可以确定第一用户子集和第二用户子集的交集,也即确定第一用户子集和第二用户子集中均包括的用户,得到第三用户集合。
书籍推荐装置确定第三用户集合之后,可以将第三用户集合中的多个用户进行两两组合,得到用户对,确定每个用户对中两个用户共同阅读的书籍数量,之后可以根据预设相似度公式,确定目标书籍与每个待推荐书籍之间的单向相似度,得到多个单向相似度。
上述预设相似度公式可以为:
其中,i表示目标书籍,j表示一个待推荐书籍,Ui表示阅读过目标书籍的用户,Uj表示阅读过待推荐书籍的用户,Iu表示用户u阅读过的书籍的数量,Iv表示用户v阅读过的书籍的数量,Ui∩Uj表示上述第三用户集合,Iu∩Iv表示用户u和用户v共同阅读的书籍数量,用户u和用户v可以是第三用户集合中的任意两个用户。
示例性的,假设阅读强度信息为阅读时长,以第一书籍和第二书籍为例,第一选取条件中的第一阈值可以为0.1小时,第二选取条件中的第二阈值可以为10小时,当第一书籍为目标书籍,第二书籍为一个待推荐书籍,针对第一书籍确定的阅读时长大于或等于0.1小时的用户为2万个,针对第二书籍确定的阅读时长大于或等于10小时的用户为1000个,根据上述预设相似度公式确定sim(第一书籍,第二书籍);当第二书籍为目标书籍,第一书籍为一个待推荐书籍,针对第二书籍确定的阅读时长大于或等于0.1小时的用户为2万个,针对第一书籍确定的阅读时长大于或等于10小时的用户为10个,根据上述预设相似度公式确定sim(第二书籍,第一书籍),sim(第一书籍,第二书籍)较低,sim(第二书籍,第一书籍)较高,因此一个用户在阅读第一书籍时不会推荐第二书籍,在阅读第二书籍时会推荐第一书籍。相较于相关技术中,sim(第一书籍,第二书籍)与sim(第二书籍,第一书籍)相同,不具备方向性造成的无差别推荐,本方案的推荐的书籍准确性更高。
步骤104、基于多个目标相似度所确定的各待推荐书籍的推荐分值确定推荐书籍,并对推荐书籍进行推荐。
其中,推荐书籍可以是最终确定的推荐给当前用户的书籍。由于目标书籍可以包括历史阅读的多个历史书籍,可以基于多个历史书籍与多个待推荐书籍的多个目标相似度确定各待推荐书籍的推荐分值,之后可以基于推荐分值进行推荐书籍的推荐,具体可以通过展示包括推荐书籍的推荐信息来实现推荐。
示例性的,图2为本公开实施例提供的另一种书籍推荐方法的流程示意图,如图2所示,当目标相似度为单向相似度,基于多个目标相似度所确定的各待推荐书籍的推荐分值确定推荐书籍,可以包括如下步骤:
步骤201、基于多个单向相似度确定多个待推荐书籍中第一推荐书籍的推荐分值。
其中,第一推荐书籍可以是基于相似度阈值初始筛选得到的推荐书籍。推荐分值可以是根据单向相似度计算得到的一个综合性分数。
在本公开实施例中,基于多个单向相似度确定多个待推荐书籍中第一推荐书籍的推荐分值,可以包括:针对每个目标书籍,基于多个单向相似度与相似度阈值确定多个待推荐书籍中的第一推荐书籍;基于多个目标书籍分别与第一推荐书籍之间的单向相似度,构建相似度矩阵;根据相似度矩阵确定各第一推荐书籍的推荐分值。
当目标书籍的数量为多个,针对每个目标书籍,可以根据单向相似度与相似度阈值的比较结果确定多个待推荐书籍中的第一推荐书籍,每个目标书籍均具有对应的第一推荐书籍,第一推荐书籍的数量为多个;之后,可以根据多个目标书籍分别与对应的第一推荐书籍中各书籍之间的单向相似度,构建相似度矩阵,该相似度矩阵每一行对应一个目标书籍与第一推荐书籍中各书籍的单向相似度,不同列表征不同的目标书籍;根据上述相似度矩阵可以确定每个第一推荐书籍的推荐分值。上述相似度阈值可以根据实际情况设置。
可选的,根据相似度矩阵确定各第一推荐书籍的推荐分值,可以包括:将各第一推荐书籍依次确定为待处理书籍;在相似度矩阵中提取多个目标书籍与待处理书籍之间的多个单向相似度;将多个目标书籍与待处理书籍的多个单向相似度之和确定为待处理书籍的推荐分值;或者,将多个目标书籍与待处理书籍的多个第一相似值之和确定为待处理书籍的推荐分值,其中,第一相似值为每个目标书籍的阅读强度信息与每个目标书籍与待处理书籍之间的单向相似度的乘积。
其中,待处理书籍可以是当前进行推荐分值确定的书籍,由于第一推荐书籍可以为多个,书籍推荐装置可以依次对每个第一推荐书籍进行推荐分值的确定,也即将各第一推荐书籍依次确定为待处理书籍之后进行推荐分值的确定。
具体的,书籍推荐装置可以针对待处理书籍,在相似度矩阵中提取每个目标书籍与该待处理书籍之间的单向相似度,得到多个单向相似度,之后进行求和处理得到第一综合分数,该第一综合分数为待处书籍的推荐分值。或者,书籍处理装置在相似度矩阵中提取各目标书籍与该待处理书籍之间的单向相似度,得到多个单向相似度之后,可以先计算每个目标书籍的阅读强度信息与每个目标书籍与上述待处理书籍之间的单向相似度的乘积,将该乘积确定为该目标书籍与待处理书籍的第一相似值;由于目标书籍的数量为多个,可以得到多个第一相似值,之后进行求和处理得到第二综合分数,将该第二综合分数确定为待处理书籍的推荐分值。每个第一推荐书籍均作为待处理书籍执行一次上述推荐分值的确定,最终得到每个第一推荐书籍的推荐分值。
示例性的,假设当前用户的历史书籍包括书籍1和书籍2,也即目标书籍包括书籍1和书籍2,书籍1对应的第一推荐书籍包括书籍A和书籍B,书籍1的阅读强度信息为L1,书籍2对应的第一推荐书籍包括书籍A和书籍C,书籍1的阅读强度信息为L2,则构建的相似度矩阵可以为:
书籍1:与书籍A的s1;与书籍B的s2;
书籍2:与书籍A的s3;与书籍C的s4;
上述s1表示书籍1与书籍A的单向相似度,s2表示书籍1与书籍B的单向相似度,s3表示书籍2与书籍A的单向相似度,s4表示书籍2与书籍C的单向相似度。
则书籍A的推荐分值=s1+s3,书籍B的推荐分值=s2,书籍C的推荐分值=s4;或者,书籍A的推荐分值=L1*s1+L2*s3,书籍B的推荐分值=L1*s2,书籍C的推荐分值=L2*s4,上述两种推荐分值的确定方式均可适用,之后根据书籍A、书籍B和书籍C的推荐分值确定最终的推荐书籍。
步骤202、将推荐分值大于或等于第一预设分值的第一推荐书籍确定为第二推荐书籍。
其中,第二推荐书籍可以是当目标相似度为单向相似度时最终确定的推荐书籍。第一预设分值可以为预先设置的推荐分值的最小阈值,具体可以根据实际情况设置。
具体的,书籍推荐装置在确定第一推荐书籍的推荐分值之后,可以依次将各推荐分值与第一预设分值进行比较,将推荐分值大于或等于第一预设分值的第一推荐书籍确定为第二推荐书籍。
可选的,确定各第一推荐书籍的推荐分值之后,还可以根据推荐分值按照从大到小的顺序对第一推荐书籍进行排序,基于排序结果将排序靠前的预设数量的第一推荐书籍确定为第二推荐书籍,预设数量与上述第一预设分值对应,预设数量排序位置对应的第一推荐书籍的推荐分值可以为上述第一预设分值,例如预设数量为100时,第100个第一推荐书籍对应的推荐分值为第一预设分值。
依据本公开实施例的书籍推荐方法、终端及存储介质,能够获取目标书籍和多个待推荐书籍,确定目标书籍和待推荐书籍分别对应的用户集合以及各用户集合包括的多个用户对应的阅读强度信息,之后基于用户集合以及阅读强度信息,分别确定目标书籍与多个待推荐书籍之间的多个目标相似度,并基于多个目标相似度所确定的各待推荐书籍的推荐分值确定推荐书籍,并对推荐书籍进行推荐。本公开实施例通过阅读强度信息可以确定目标书籍与其他书籍之间的相似度,进而可以根据相似度所确定的推荐分值进行书籍的推荐,由于目标书籍的数量为多个并且基于相似度计算统一的推荐分值确定推荐书籍,相较于相关技术中以单个书籍为基础,能够筛选出其更加感兴趣的书籍进行推荐,提升了书籍推荐的准确性,进而提升了用户的阅读粘性和兴趣度。
在一些实施例中,目标相似度包括无方向相似度,基于用户集合以及阅读强度信息,分别确定目标书籍与多个待推荐书籍之间的多个目标相似度,可以包括:确定第一用户集合和第二用户集合之间的交集,得到第四用户集合;根据第四用户集合、第四用户集合中两两用户共同阅读的书籍数量以及预设相似度公式,确定目标书籍与多个待推荐书籍之间的多个无方向相似度。
其中,无方向相似度可以理解为不具有基准方向的相似度,与上述单向相似度不同,在计算相似度时无倾向性和侧重性。预设相似度公式与上述确定单向相似度时的公式可以相同。
当目标相似度为无方向相似度时,书籍推荐装置可以确定第一用户集合和第二用户集合之间的交集,也即确定第一用户集合和第二用户集合均包括的用户,得到第四用户集合;之后可以将第四用户集合中的多个用户进行两两组合,得到用户对,确定每个用户对中两个用户共同阅读的书籍数量,之后可以根据预设相似度公式,确定目标书籍与每个待推荐书籍之间的无方向相似度,得到多个无方向相似度。
上述预设相似度公式可以为:
其中,i表示目标书籍,j表示一个待推荐书籍,Ui表示阅读过目标书籍的用户,Uj表示阅读过待推荐书籍的用户,Iu表示用户u阅读过的书籍的数量,Iv表示用户v阅读过的书籍的数量,Ui∩Uj表示上述第四用户集合,Iu∩Iv表示用户u和用户v共同阅读的书籍数量,用户u和用户v可以是第四用户集合中的任意两个用户。
示例性的,图3为本公开实施例提供的又一种书籍推荐方法的流程示意图,如图3所示,当目标相似度为无方向相似度,基于多个目标相似度所确定的各待推荐书籍的推荐分值确定推荐书籍,可以包括如下步骤:
步骤301、基于多个无方向相似度确定各待推荐书籍的推荐分值。
当前目标相似度为无方向相似度时,推荐分值可以是根据无方向相似度计算得到的一个综合性分数。
在本公开实施例中,基于多个无方向相似度确定各待推荐书籍的推荐分值,可以包括:针对每个待推荐书籍,将多个目标书籍与每个待推荐书籍的多个无方向相似度之和确定为对应的推荐分值;或者,针对每个待推荐书籍,将多个目标书籍与每个待推荐书籍的多个第二相似值之和确定为对应的推荐分值,其中,第二相似值为每个目标书籍的阅读强度信息与每个目标书籍与每个待推荐书籍之间的无方向相似度的乘积。
书籍推荐装置针对每个待推荐书籍,可以将该待推荐书籍分别与多个目标书籍的多个无方向相似度进行求和处理,得到第三综合分数,该第三综合分数为该待推荐书籍的推荐分值。或者,书籍推荐装置针对每个待推荐书籍,可以先确定该待推荐书籍分别与多个目标书籍的第二相似值,之后对多个第二相似值之和进行求和处理,得到第四综合分数,将该第四综合分数确定为该待推荐书籍的推荐分值;上述确定待推荐书籍与一个目标书籍的第二相似值可以是将该目标书籍的阅读强度信息乘以该目标书籍与该待推荐书籍的无方向相似度,将得到的乘积确定为第二相似值,由于目标书籍为多个,可以得到多个第二相似值。
示例性的,假设当前用户的历史书籍包括书籍1和书籍2,也即目标书籍包括书籍1和书籍2,书籍1对应的第一推荐书籍包括书籍A和书籍B,书籍1的阅读强度信息为L1,书籍2对应的第一推荐书籍包括书籍A和书籍C,书籍1的阅读强度信息为L2,则s1表示书籍1与书籍A的无方向相似度,s2表示书籍1与书籍B的无方向相似度,s3表示书籍2与书籍A的无方向相似度,s4表示书籍2与书籍B的无方向相似度,则书籍A的推荐分值=s1+s3,书籍B的推荐分值=s2+s4;或者,书籍A的推荐分值=L1*s1+L2*s3,书籍B的推荐分值=L1*s2+L2×s4,上述两种推荐分值的确定方式均可适用,之后根据书籍A、书籍B和书籍C的推荐分值确定最终的推荐书籍。
步骤302、将推荐分值大于或等于第二预设分值的待推荐书籍确定为第三推荐书籍。
其中,第三推荐书籍可以是当目标相似度为无方向相似度时最终确定的推荐书籍。第二预设分值可以为当目标相似度为无方向相似度时预先设置的推荐分值的最小阈值,第一预设分值可以与上述第一预设分值相同,也可以不同,具体可以根据实际情况设置。
具体的,书籍推荐装置在确定各待推荐书籍的推荐分值之后,可以依次将各推荐分值与第二预设分值进行比较,将推荐分值大于或等于第二预设分值的待推荐书籍确定为第三推荐书籍。
可选的,确定各待推荐书籍的推荐分值之后,还可以根据推荐分值按照从大到小的顺序对第一推荐书籍进行排序,基于排序结果将排序靠前的预设数量的待推荐书籍确定为第三推荐书籍,预设数量与上述第二预设分值对应,预设数量排序位置对应的待推荐书籍的推荐分值可以为上述第二预设分值,例如预设数量为100时,第100个待推荐书籍对应的推荐分值为第二预设分值。
本公开实施例中,当目标相似度为无方向相似度时,可以基于无方向相似度确定一个统一的推荐分值,并根据该推荐分值确定推荐书籍,相较于相关技术中直接根据无方向相似度进行书籍推荐,提升了书籍推荐的准确性。
在一些实施例中,阅读强度信息可以包括如下中的至少一种:
总阅读时长;
交互次数,交互次数包括点赞次数、评论次数和分享次数中的至少一种;
总阅读程度,总阅读程度包括每次阅读的阅读程度之和,阅读程度基于阅读时长、阅读时间与当前时间之间的时间差和衰减值确定;
总付费次数或总付费金额;
阅读时间的衰减值。
其中,总阅读时长可以是用户对一个书籍的不同时间阅读的阅读时长的总和。交互次数可以是用户对一个书籍的点赞次数、评论次数和分享次数等交互操作的次数中的至少一种。
阅读程度可以理解为用户对一个书籍的阅读深度,可以基于阅读时长、阅读时间与当前时间之间的时间差、衰减值和阅读程度公式进行确定,阅读程度公式可以表示为x=t*ay,其中x表示单次阅读的阅读程度,t表示阅读时长,a表示衰减值,可以为一个固定值,例如衰减值可以设置为0.95,y表示阅读时间与当前时间之间的时间差。例如当前用户在50天前对一个书籍阅读了3小时,衰减值设置为0.95,则阅读程度x=3*0.9550,表示3乘以0.95的50次方。总阅读程度可以等于用户对一个书籍的多次阅读的阅读程度的和值,也即将多次阅读的阅读程度相加可以得到总阅读程度。
总付费次数和总付费金额可以是与付费相关的表征量,阅读强度信息可以是用户对一个书籍的付费次数的和值,也可以用户对一个书籍的多次付费的金额的和值。
阅读时间的衰减值可以是用户对一个书籍最近一次的阅读时间对应的衰减值,该衰减值可以与阅读时间成反比,阅读时间越早,衰减值越小,例如阅读时间为当前时间到一个月之前,衰减值为0.95;阅读时间为一个月到一年之前,衰减值为0.5;阅读时间为一年之前的任意一个时间,衰减值为0.1,上述仅为示例。并且衰减值的变化可以按照一定规律,例如衰减值可以按照直线型、折线型、指数型进行衰减变化。
本公开实施例中的阅读强度信息可以采用多种类型的信息进行表征,提升了阅读强度信息的丰富性和多样性,并有助于后续的书籍推荐。
示例性的,图4为本公开实施例提供的一种书籍推荐的示意图,如图4所示,图中展示了一个包括多个推荐书籍的推荐页面400,该推荐页面400中可以包括如图中的书籍C、书籍D、书籍E和书籍F的推荐信息,多个推荐书籍可以是根据当前用户的历史阅读的历史书籍确定的,每个推荐信息可以包括书籍的名称和封面等信息,用于引起用户的兴趣进而进行阅读。
上述图4中对应了目标书籍为多个历史书籍的推荐书籍的推荐场景,图4中的推荐方式仅为示例,其他能够进行书籍推荐的方式均可适用。
本公开实施例还提供了一种终端,该终端可以包括处理器和存储器,存储器可以用于存储可执行指令。其中,处理器可以用于从存储器中读取可执行指令,并执行可执行指令以执行以下操作:获取目标书籍和多个待推荐书籍,目标书籍的数量为多个;确定目标书籍和待推荐书籍分别对应的用户集合以及各用户集合包括的多个用户对应的阅读强度信息;基于用户集合以及阅读强度信息,分别确定目标书籍与多个待推荐书籍之间的多个目标相似度;基于多个目标相似度所确定的各待推荐书籍的推荐分值确定推荐书籍,并对推荐书籍进行推荐。
图5为本公开实施例提供的一种终端的结构示意图。本发明实施例中的终端500可以为上述所说明的电子设备。还需说明的是,图5示出的终端500仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
该终端500传统上包括处理器510和以存储器520形式的计算机程序产品或者计算机可读介质。存储器520可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器520具有用于执行上述书籍推荐方法中的任何方法步骤的可执行指令(或程序代码)5211的存储空间521。例如,用于可执行指令的存储空间521可以包括分别用于实现上面的书籍推荐方法中的各种步骤的各个可执行指令5211。这些可执行指令可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘,光盘(CD)、存储卡或者软盘之类的程序代码载体。这样的计算机程序产品通常为便携式或者固定存储单元。该存储单元可以具有与图5的终端中的存储器520类似布置的存储段或者存储空间等。可执行指令可以例如以适当形式进行压缩。通常,存储单元包括用于执行根据本发明的书籍推荐方法步骤的可执行指令,即可以由例如诸如处理器510之类的处理器读取的代码,这些代码当由终端运行时,导致该终端执行上面所描述的书籍推荐方法中的各个步骤。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序指令,计算机程序指令在被处理器运行时使得处理器执行本发明各实施例所提供的书籍推荐方法。
该计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
上述计算机可读介质可以是上述终端中所包含的;也可以是单独存在,而未装配入该终端中。
在本发明实施例中,可以以一种或多种程序设计语言或其组合来编写用于执行本发明的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本发明的各个部件实施例可以全部或部分步骤以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的书籍推荐装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
根据本公开的一个或多个实施例,本公开提供了一种书籍推荐方法,包括:
获取目标书籍和多个待推荐书籍,所述目标书籍的数量为多个;
确定所述目标书籍和所述待推荐书籍分别对应的用户集合以及各所述用户集合包括的多个用户对应的阅读强度信息;
基于所述用户集合以及所述阅读强度信息,分别确定所述目标书籍与所述多个待推荐书籍之间的多个目标相似度;
基于所述多个目标相似度所确定的各所述待推荐书籍的推荐分值确定推荐书籍,并对所述推荐书籍进行推荐。
可选的,所述目标书籍和所述待推荐书籍分别对应的用户集合以及各所述用户集合包括的多个用户对应的阅读强度信息,包括:
根据预先获取的目标关系数据,确定所述目标书籍对应的第一用户集合以及所述第一用户集合包括的多个用户对应的阅读强度信息,并确定各所述待推荐书籍对应的第二用户集合以及所述第二用户集合包括的多个用户对应的阅读强度信息。
可选的,所述目标关系数据包括用户与书籍之间的对应关系以及每个用户针对各书籍的阅读强度信息。
可选的,所述目标相似度包括单向相似度,基于所述用户集合以及所述阅读强度信息,分别确定所述目标书籍与所述多个待推荐书籍之间的多个目标相似度,包括:
在所述第一用户集合中根据第一选取条件确定第一用户子集,并在所述第二用户集合中根据第二选取条件确定第二用户子集;
确定所述第一用户子集和所述第二用户子集之间的交集,得到第三用户集合;
根据所述第三用户集合、所述第三用户集合中两两用户共同阅读的书籍数量以及预设相似度公式,确定所述目标书籍与所述多个待推荐书籍之间的多个单向相似度。
可选的,所述第一选取条件用于选取对所述目标书籍的阅读强度信息大于或等于第一阈值的用户,所述第二选取条件用于选取对各所述待推荐书籍的阅读强度信息大于或等于第二阈值的用户,所述第二阈值远大于所述第一阈值。
可选的,基于所述多个目标相似度所确定的各所述待推荐书籍的推荐分值确定推荐书籍,包括:
基于所述多个单向相似度确定所述多个待推荐书籍中第一推荐书籍的推荐分值;
将推荐分值大于或等于第一预设分值的第一推荐书籍确定为第二推荐书籍。
可选的,基于所述多个单向相似度确定所述多个待推荐书籍中第一推荐书籍的推荐分值,包括:
针对每个所述目标书籍,基于所述多个单向相似度与相似度阈值确定所述多个待推荐书籍中的第一推荐书籍;
基于所述多个目标书籍分别与所述第一推荐书籍之间的单向相似度,构建相似度矩阵;
根据所述相似度矩阵确定各所述第一推荐书籍的推荐分值。
可选的,根据所述相似度矩阵确定各所述第一推荐书籍的推荐分值,包括:
将各所述第一推荐书籍依次确定为待处理书籍;
在所述相似度矩阵中提取所述多个目标书籍与所述待处理书籍之间的多个单向相似度;
将所述多个目标书籍与所述待处理书籍的多个单向相似度之和确定为所述待处理书籍的推荐分值;
或者,将所述多个目标书籍与所述待处理书籍的多个第一相似值之和确定为所述待处理书籍的推荐分值,其中,所述第一相似值为每个所述目标书籍的阅读强度信息与每个所述目标书籍与所述待处理书籍之间的单向相似度的乘积。
可选的,所述目标相似度包括无方向相似度,基于所述用户集合以及所述阅读强度信息,分别确定所述目标书籍与所述多个待推荐书籍之间的多个目标相似度,包括:
确定所述第一用户集合和所述第二用户集合之间的交集,得到第四用户集合;
根据所述第四用户集合、所述第四用户集合中两两用户共同阅读的书籍数量以及预设相似度公式,确定所述目标书籍与所述多个待推荐书籍之间的多个无方向相似度。
可选的,基于所述多个目标相似度所确定的各所述待推荐书籍的推荐分值确定推荐书籍,包括:
基于所述多个无方向相似度确定各所述待推荐书籍的推荐分值;
将推荐分值大于或等于第二预设分值的待推荐书籍确定为第三推荐书籍。
可选的,基于所述多个无方向相似度确定各所述待推荐书籍的推荐分值,包括:
针对每个待推荐书籍,将所述多个目标书籍与每个待推荐书籍的多个无方向相似度之和确定为对应的推荐分值;
或者,针对每个待推荐书籍,将所述多个目标书籍与每个待推荐书籍的多个第二相似值之和确定为对应的推荐分值,其中,所述第二相似值为每个所述目标书籍的阅读强度信息与每个所述目标书籍与每个待推荐书籍之间的无方向相似度的乘积。
可选的,所述阅读强度信息包括如下中的至少一种:
总阅读时长;
交互次数,所述交互次数包括点赞次数、评论次数和分享次数中的至少一种;
总阅读程度,所述总阅读程度包括每次阅读的阅读程度之和,所述阅读程度基于阅读时长、阅读时间与当前时间之间的时间差和衰减值确定;
总付费次数或总付费金额;
阅读时间的衰减值。
可选的,所述目标书籍包括历史阅读的多个历史书籍,所述待推荐书籍与所述目标书籍的至少一个属性信息相同。
根据本公开的一个或多个实施例,本公开一种终端,包括:
处理器;
用于存储处理器可执行指令的存储器;
处理器,用于从存储器中读取可执行指令,并执行指令以执行以下操作:
获取目标书籍和多个待推荐书籍,所述目标书籍的数量为多个;
确定所述目标书籍和所述待推荐书籍分别对应的用户集合以及各所述用户集合包括的多个用户对应的阅读强度信息;
基于所述用户集合以及所述阅读强度信息,分别确定所述目标书籍与所述多个待推荐书籍之间的多个目标相似度;
基于所述多个目标相似度所确定的各所述待推荐书籍的推荐分值确定推荐书籍,并对所述推荐书籍进行推荐。
可选的,所述可执行指令进一步使所述处理器执行以下操作:
其中,确定所述目标书籍和所述待推荐书籍分别对应的用户集合以及各所述用户集合包括的多个用户对应的阅读强度信息,包括:
根据预先获取的目标关系数据,确定所述目标书籍对应的第一用户集合以及所述第一用户集合包括的多个用户对应的阅读强度信息,并确定各所述待推荐书籍对应的第二用户集合以及所述第二用户集合包括的多个用户对应的阅读强度信息。
可选的,所述目标关系数据包括用户与书籍之间的对应关系以及每个用户针对各书籍的阅读强度信息。
可选的,所述可执行指令进一步使所述处理器执行以下操作:
其中,所述目标相似度包括单向相似度,基于所述用户集合以及所述阅读强度信息,分别确定所述目标书籍与所述多个待推荐书籍之间的多个目标相似度,包括:
在所述第一用户集合中根据第一选取条件确定第一用户子集,并在所述第二用户集合中根据第二选取条件确定第二用户子集;
确定所述第一用户子集和所述第二用户子集之间的交集,得到第三用户集合;
根据所述第三用户集合、所述第三用户集合中两两用户共同阅读的书籍数量以及预设相似度公式,确定所述目标书籍与所述多个待推荐书籍之间的多个单向相似度。
可选的,所述第一选取条件用于选取对所述目标书籍的阅读强度信息大于或等于第一阈值的用户,所述第二选取条件用于选取对各所述待推荐书籍的阅读强度信息大于或等于第二阈值的用户,所述第二阈值远大于所述第一阈值。
可选的,所述可执行指令进一步使所述处理器执行以下操作:
其中,基于所述多个目标相似度所确定的各所述待推荐书籍的推荐分值确定推荐书籍,包括:
基于所述多个单向相似度确定所述多个待推荐书籍中第一推荐书籍的推荐分值;
将推荐分值大于或等于第一预设分值的第二推荐书籍确定为第二推荐书籍。
可选的,所述可执行指令进一步使所述处理器执行以下操作:
其中,基于所述多个单向相似度确定所述多个待推荐书籍中第一推荐书籍的推荐分值,包括:
针对每个所述目标书籍,基于所述多个单向相似度与相似度阈值确定所述多个待推荐书籍中的第一推荐书籍;
基于所述多个目标书籍分别与所述第一推荐书籍之间的单向相似度,构建相似度矩阵;
根据所述相似度矩阵确定各所述第一推荐书籍的推荐分值。
可选的,所述可执行指令进一步使所述处理器执行以下操作:
其中,根据所述相似度矩阵确定各所述第一推荐书籍的推荐分值,包括:
将各所述第一推荐书籍依次确定为待处理书籍;
在所述相似度矩阵中提取所述多个目标书籍与所述待处理书籍之间的多个单向相似度;
将所述多个目标书籍与所述待处理书籍的多个单向相似度之和确定为所述待处理书籍的推荐分值;
或者,将所述多个目标书籍与所述待处理书籍的多个第一相似值之和确定为所述待处理书籍的推荐分值,其中,所述第一相似值为每个所述目标书籍的阅读强度信息与每个所述目标书籍与所述待处理书籍之间的单向相似度的乘积。
可选的,所述可执行指令进一步使所述处理器执行以下操作:
其中,所述目标相似度包括无方向相似度,基于所述用户集合以及所述阅读强度信息,分别确定所述目标书籍与所述多个待推荐书籍之间的多个目标相似度,包括:
确定所述第一用户集合和所述第二用户集合之间的交集,得到第四用户集合;
根据所述第四用户集合、所述第四用户集合中两两用户共同阅读的书籍数量以及预设相似度公式,确定所述目标书籍与所述多个待推荐书籍之间的多个无方向相似度。
可选的,所述可执行指令进一步使所述处理器执行以下操作:
其中,基于所述多个目标相似度所确定的各所述待推荐书籍的推荐分值确定推荐书籍,包括:
基于所述多个无方向相似度确定各所述待推荐书籍的推荐分值;
将推荐分值大于或等于第二预设分值的待推荐书籍确定为第三推荐书籍。
可选的,所述可执行指令进一步使所述处理器执行以下操作:
其中,基于所述多个无方向相似度确定各所述待推荐书籍的推荐分值,包括:
针对每个待推荐书籍,将所述多个目标书籍与每个待推荐书籍的多个无方向相似度之和确定为对应的推荐分值;
或者,针对每个待推荐书籍,将所述多个目标书籍与每个待推荐书籍的多个第二相似值之和确定为对应的推荐分值,其中,所述第二相似值为每个所述目标书籍的阅读强度信息与每个所述目标书籍与每个待推荐书籍之间的无方向相似度的乘积。
可选的,所述阅读强度信息包括如下中的至少一种:
总阅读时长;
交互次数,所述交互次数包括点赞次数、评论次数和分享次数中的至少一种;
总阅读程度,所述总阅读程度包括每次阅读的阅读程度之和,所述阅读程度基于阅读时长、阅读时间与当前时间之间的时间差和衰减值确定;
总付费次数或总付费金额;
阅读时间的衰减值。
可选的,所述目标书籍包括历史阅读的多个历史书籍,所述待推荐书籍与所述目标书籍的至少一个属性信息相同。
根据本公开的一个或多个实施例,本公开提供了一种计算机可读存储介质,存储介质存储有计算机程序,计算机程序用于执行如本公开提供的任一的书籍推荐方法。
以上描述仅为本发明的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本发明中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本发明的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (10)
1.一种书籍推荐方法,其特征在于,包括:
获取目标书籍和多个待推荐书籍,所述目标书籍的数量为多个;
确定所述目标书籍和所述待推荐书籍分别对应的用户集合以及各所述用户集合包括的多个用户对应的阅读强度信息;
基于所述用户集合以及所述阅读强度信息,分别确定所述目标书籍与所述多个待推荐书籍之间的多个目标相似度;
基于所述多个目标相似度所确定的各所述待推荐书籍的推荐分值确定推荐书籍,并对所述推荐书籍进行推荐。
2.根据权利要求1所述的方法,其特征在于,确定所述目标书籍和所述待推荐书籍分别对应的用户集合以及各所述用户集合包括的多个用户对应的阅读强度信息,包括:
根据预先获取的目标关系数据,确定所述目标书籍对应的第一用户集合以及所述第一用户集合包括的多个用户对应的阅读强度信息,并确定各所述待推荐书籍对应的第二用户集合以及所述第二用户集合包括的多个用户对应的阅读强度信息。
3.根据权利要求2所述的方法,其特征在于,所述目标关系数据包括用户与书籍之间的对应关系以及每个用户针对各书籍的阅读强度信息。
4.根据权利要求2所述的方法,其特征在于,所述目标相似度包括单向相似度,基于所述用户集合以及所述阅读强度信息,分别确定所述目标书籍与所述多个待推荐书籍之间的多个目标相似度,包括:
在所述第一用户集合中根据第一选取条件确定第一用户子集,并在所述第二用户集合中根据第二选取条件确定第二用户子集;
确定所述第一用户子集和所述第二用户子集之间的交集,得到第三用户集合;
根据所述第三用户集合、所述第三用户集合中两两用户共同阅读的书籍数量以及预设相似度公式,确定所述目标书籍与所述多个待推荐书籍之间的多个单向相似度。
5.根据权利要求4所述的方法,其特征在于,所述第一选取条件用于选取对所述目标书籍的阅读强度信息大于或等于第一阈值的用户,所述第二选取条件用于选取对各所述待推荐书籍的阅读强度信息大于或等于第二阈值的用户,所述第二阈值远大于所述第一阈值。
6.根据权利要求4或5所述的方法,其特征在于,基于所述多个目标相似度所确定的各所述待推荐书籍的推荐分值确定推荐书籍,包括:
基于所述多个单向相似度确定所述多个待推荐书籍中第一推荐书籍的推荐分值;
将推荐分值大于或等于第一预设分值的第一推荐书籍确定为第二推荐书籍。
7.根据权利要求6所述的方法,其特征在于,基于所述多个单向相似度确定所述多个待推荐书籍中第一推荐书籍的推荐分值,包括:
针对每个所述目标书籍,基于所述多个单向相似度与相似度阈值确定所述多个待推荐书籍中的第一推荐书籍;
基于所述多个目标书籍分别与所述第一推荐书籍之间的单向相似度,构建相似度矩阵;
根据所述相似度矩阵确定各所述第一推荐书籍的推荐分值。
8.根据权利要求7所述的方法,其特征在于,根据所述相似度矩阵确定各所述第一推荐书籍的推荐分值,包括:
将各所述第一推荐书籍依次确定为待处理书籍;
在所述相似度矩阵中提取所述多个目标书籍与所述待处理书籍之间的多个单向相似度;
将所述多个目标书籍与所述待处理书籍的多个单向相似度之和确定为所述待处理书籍的推荐分值;
或者,将所述多个目标书籍与所述待处理书籍的多个第一相似值之和确定为所述待处理书籍的推荐分值,其中,所述第一相似值为每个所述目标书籍的阅读强度信息与每个所述目标书籍与所述待处理书籍之间的单向相似度的乘积。
9.一种终端,其特征在于,包括:
处理器;
存储器,用于存储可执行指令;
其中,所述处理器用于从所述存储器中读取所述可执行指令,并执行所述可执行指令以执行以下操作:
获取目标书籍和多个待推荐书籍,所述目标书籍的数量为多个;
确定所述目标书籍和所述待推荐书籍分别对应的用户集合以及各所述用户集合包括的多个用户对应的阅读强度信息;
基于所述用户集合以及所述阅读强度信息,分别确定所述目标书籍与所述多个待推荐书籍之间的多个目标相似度;
基于所述多个目标相似度所确定的各所述待推荐书籍的推荐分值确定推荐书籍,并对所述推荐书籍进行推荐。
10.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,当所述计算机程序被处理器执行时,使得处理器实现用上述权利要求1-8中任一项所述的书籍推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111194482.5A CN113836430A (zh) | 2021-10-13 | 2021-10-13 | 书籍推荐方法、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111194482.5A CN113836430A (zh) | 2021-10-13 | 2021-10-13 | 书籍推荐方法、终端及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113836430A true CN113836430A (zh) | 2021-12-24 |
Family
ID=78968937
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111194482.5A Pending CN113836430A (zh) | 2021-10-13 | 2021-10-13 | 书籍推荐方法、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113836430A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116628456A (zh) * | 2023-07-26 | 2023-08-22 | 北京点聚信息技术有限公司 | 基于数据分析的版式轻阅读推荐方法及系统 |
-
2021
- 2021-10-13 CN CN202111194482.5A patent/CN113836430A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116628456A (zh) * | 2023-07-26 | 2023-08-22 | 北京点聚信息技术有限公司 | 基于数据分析的版式轻阅读推荐方法及系统 |
CN116628456B (zh) * | 2023-07-26 | 2023-10-20 | 北京点聚信息技术有限公司 | 基于数据分析的版式轻阅读推荐方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3819821B1 (en) | User feature generating method, device, and apparatus, and computer-readable storage medium | |
CN110941740B (zh) | 视频推荐方法及计算机可读存储介质 | |
CN109657138B (zh) | 一种视频推荐方法、装置、电子设备及存储介质 | |
CN113836429A (zh) | 书籍推荐方法、终端及存储介质 | |
CA3153598A1 (en) | Method of and device for predicting video playback integrity | |
CN110737859B (zh) | 一种up主匹配方法及装置 | |
WO2019080662A1 (zh) | 信息推荐方法及装置、设备 | |
CN110008397B (zh) | 一种推荐模型训练方法及装置 | |
CN110413888B (zh) | 一种书籍推荐方法及装置 | |
CN106649647A (zh) | 基于人工智能的搜索结果排序方法和装置 | |
CN113268641B (zh) | 基于大数据的用户数据处理方法及大数据服务器 | |
CN110689402A (zh) | 推荐商家的方法、装置、电子设备及可读存储介质 | |
CN111159563A (zh) | 用户兴趣点信息的确定方法、装置、设备及存储介质 | |
CN106874335A (zh) | 行为数据处理方法、装置及服务器 | |
CN109543113B (zh) | 确定点击推荐词的方法、装置、存储介质及电子设备 | |
CN113836430A (zh) | 书籍推荐方法、终端及存储介质 | |
CN111723210A (zh) | 存储数据表的方法、装置、计算机设备及可读存储介质 | |
CN117056619A (zh) | 确定用户行为特征的方法和装置 | |
CN108334519B (zh) | 一种用户画像中的用户标签获取方法及装置 | |
KR101132431B1 (ko) | 관심 정보 제공 시스템 및 방법 | |
CN114637914A (zh) | 榜单处理方法、计算设备及存储介质 | |
GB2608112A (en) | System and method for providing media content | |
CN113436023A (zh) | 基于区块链的理财产品推荐方法及装置 | |
CN113468394A (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
CN113010788A (zh) | 信息推送方法及装置、电子设备、计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |